摘要：连铸保护渣在保障连铸顺行和铸坯质量方面发挥着关键作用，其作用的发挥与保护渣的性能密切相关。保护渣的黏度和熔化温度是保护渣的关键性能参数，其测定所需的时间与物力成本较高。鉴于机器学习技术的发展，本研究基于K近邻算法（KNN）、核岭回归算法（KRR）与随机森林算法（RF）3种机器学习算法建立保护渣黏度和熔化温度预报模型，旨在准确预报保护渣的黏度与熔化温度，为保护渣的快速、便捷设计提供指导。结果表明，基于KRR算法的模型在保护渣黏度预报方面有着较好的表现，其决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）分别为0.983、0.023和0.014;基于RF算法的模型在预报保护渣熔化温度方面具有更高的可靠性，R2、RMSE和MAE分别为0.823、14.004和8.974。输入特征的排列重要性分析表明SiO2、F、Al2O3对黏度的影响依次降低，Na2O对熔化温度的影响最大。与广泛应用的黏度和熔化温度预报模型相比，KRR算法黏度预报模型和RF算法熔化温度预报模型的平均相对误差（MRE）分别为6.26%和0.83%,远低于目前广泛应用的预报模型的平均相对误差，表明机器学习模型具有较高的可靠性。基于模型建立的黏度和熔化温度分布图可为保护渣的设计提供直观参考。 关键词：连铸保护..